Принципы декомпозиции в разработке программной архитектуры для систем с использованием BCI-взаимодействия

   Нейрокомпьютерные интерфейсы (Brain-Computer Interfaces, BCI) являются современным и развивающимся принципом взаимодействия с различными вычислительными устройствами, значительно расширяющим возможности человека. Актуальной задачей является быстрая и гибкая разработка адаптивных BCI-приложений под различные задачи и для широкого круга пользователей – в особенности, для людей с ограниченными возможностями. В данной статье рассмотрен такой аспект разработки, как декомпозиция программной архитектуры системы на составные модули, с учетом специфики BCI-интерфейсов. Были проанализирован популярный в сфере разработки программ, в том числе и включающим BCI-взаимодействие, подход функциональной декомпозиции и предложено использование декомпозиции на основе нестабильности. Сравнение двух данных подходов было проведено на примере разработки системы, реализующей управление роботизированным устройством с помощью BCI – обозначены ее исходные требования, описаны варианты ее программной декомпозиции по признакам функциональности и нестабильности, а также проведен анализ необходимости выполнения доработок полученных компонентов при различных модернизациях системы. В результате был сделан вывод о применимости обоих подходов декомпозиции для решения задачи проектирования систем с BCI-взаимодействием, однако декомпозиция на основе нестабильности показала большую устойчивость архитектуры приложения к изменениям в связи с появлением новых требований по функционалу. Следовательно, при таком методе декомпозиции упрощается и ускоряется адаптация BCI-приложения к изменяющимся условиям эксплуатации, что является выгодным с экономической точки зрения и положительно влияет на пользовательский опыт.

1. Martinez-Ledezma J. A., Barron-Zambrano J. H., Diaz-Manriquez A., Elizondo-Leal J. C., Saldivar-Alonso V. P., Rostro-Gonzalez H. Versatile implementation of a hardware–software architecture for development and testing of brain–computer interfaces // International Journal of Advanced Robotic Systems, 2020. V. 17. № 6. doi: 10.1177/1729881420980256

2. Venthur B., Blankertz B. A Free And Open Source BCI System In Python. Conference Abstract: XII International Conference on Cognitive Neuroscience (ICON-XII), 2015. doi: 10.3389/conf.fnhum.2015.217.00406

3. Venthur B., Blankertz B. Mushu, a free- and open source BCI signal acquisition, written in Python. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2012. P. 1786–1788. doi: 10.1109/EMBC.2012.6346296

4. Renard Y., Lotte F., Gibert G., Congedo M., Maby E., Delannoy V., Bertrand O., Lécuyer A. OpenViBE: An Open-Source Software Platform to Design, Test and Use Brain-Computer Interfaces in Real and Virtual Environments // Presence : teleoperators and virtual environments, 2010. V. 19. № 1.

5. Kothe C. A., Makeig S. BCILAB: a platform for brain-computer interface development // Journal of neural engineering, 2013. V. 10. № 5. P. 056014. doi: 10.1088/1741-2560/10/5/056014

6. Št'astný J., Doležal J., Černý V., Kubový J. Design of a modular brain-computer interface. 2010 International Conference on Applied Electronics, 2010. P. 1–4.

7. Zhang X., Yao L., Zhang S., Kanhere S., Sheng Q., Liu Y. Internet of Things Meets Brain-Computer Interface: A Unified Deep Learning Framework for Enabling Human-Thing Cognitive Interactivity. IEEE Internet of Things Journal, 2018. P. 1–1. doi: 10.1109/JIOT.2018.2877786

8. Hosseini M.-P., Soltanian-Zadeh H., Elisevich K., Pompili D. Cloud-based deep learning of big EEG data for epileptic seizure prediction. 2016 IEEE Global Conference on Signal and Information Processing (GlobalSIP), 2016. P. 1151–1155. doi: 10.1109/GlobalSIP.2016.7906022.

9. Gonzalez-Sanchez J., Chavez-Echeagaray M. E., Atkinson R., Burleson W. ABE: An Agent-Based Software Architecture for a Multimodal Emotion Recognition Framework. 2011 Ninth Working IEEE / IFIP Conference on Software Architecture, 2011. P. 187–193. doi: 10.1109/WICSA.2011.32.

10. Леве Дж. Совершенный софт / Дж. Леве. – СПб.: Питер, 2021. – 480 с.. – Ил. (Серия “Для профессионалов”). ISBN 978-5-4461-1621-8

11. Banker R., Slaughter S. The Moderating Effects of Structure on Volatility and Complexity in Software Enhancement. Information Systems Research, 2000. № 11. P. 219–240. doi: 10.1287/isre.11.3.219.12209

12. ISO / IEC / IEEE 12207: 2017. Systems and software engineering – Software life cycle processes https://www.iso.org/ru/standard/63712.html

13. Alonso-Valerdi L. M., Mercado-García V. R. Towards designing Brain-Computer Interfaces in terms of User-Profiles, Neurophysiological Factors and User Experience // Mexican Journal of Biomedical Engineering, 2019. V. 40. № 2. P. 1–12. doi: 10.17488/RMIB.40.2.3

14. Dhindsa K., Carcone D., Becker S. Toward an Open-Ended BCI: A User-Centered Coadaptive Design // Neural Comput, 2017. V. 29. № 10. P. 2742–2768. doi: 10.1162/neco_a_01001

15. Petrova A., Voznenko T., Dyumin A., Chepin E., Cherepanova A. The Influence of Using Different Mental Images as BCI Commands on the Quality of Control. Procedia Computer Science, 2020. V. 169. P. 235–239. doi: 10.1016/j.procs.2020.02.141

16. Cherepanova A., Petrova A., Voznenko T., Dyumin A., Gridnev A., Chepin E. The Research of Distracting Factors Influence on Quality of Brain-Computer Interface Usage: Proceedings of the Ninth Annual Meeting of the BICA Society, 2019. doi: 10.1007/978-3-319-99316-4_6.

17. Kosmyna N., Lécuyer, A. Designing Guiding Systems for Brain-Computer Interfaces // Frontiers in human neuroscience, 2017. V. 11. P. 396. doi: 10.3389/fnhum.2017.00396

18. Corralejo R., Hornero R., Alvarez D. A Domotic Control System Using Brain-Computer Interface (BCI). In: Cabestany J., Rojas I., Joya G. (eds) Advances in Computational Intelligence. IWANN 2011. Lecture Notes in Computer Science. Springer, Berlin, Heidelberg, 2011. V. 6691. P. 345–352. doi: 10.1007/978-3-642-21501-8_43

19. Vega-Barbas M., Pau I., Martín-Ruiz M. L., Seoane F. Adaptive Software Architecture Based on Confident HCI for the Deployment of Sensitive Services in Smart Homes // Sensors, 2015. V. 15. № 4. P. 7294–7322. doi: 10.3390/s150407294

20. Niknamian S. The Introduction of Designing a Hybrid Brain Computer Interface System // Biomedical Journal of Scientific & Technical Research, 2019. V. 16. doi: 10.26717/BJSTR.2019.16.002828

21. Petrova A., Chepin E., Voznenko T. Using Environmental Objects as Visual Stimuli in BCI-based Interaction System: Theoretical Approach // Procedia Computer Science. Elsevier B. V., 2021. V. 190. P. 670–677. doi: 10.1016/j.procs.2021.06.109